Útmutatóhoz kapcsolódó kvíz · Könnyű Szint

Gini szennyeződési kvíz

Számítsa ki a csomópont-szennyeződést és a súlyozott megosztott nyereséget, majd különböztesse meg Gini helyi faépítő szerepét az előrejelzés értékelésétől.

Kapcsolódó útmutató utakGini szennyeződés
kérdés 1 -ból 8

Egy bináris csomópont osztályaránya 0,8 és 0,2. Mi a Gini-szennyeződése?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Egy bináris csomópont osztályaránya 0,8 és 0,2. Mi a Gini-szennyeződése?
    • 0.32
    • 0.20
    • 0.64
    • 0.80
  2. Melyik érték írja le a szennyeződést egy olyan csomópontban, amely csak egy osztályt tartalmaz?
    • 0.5
    • 0
    • 1
    • It depends on the number of predictors
  3. Hogyan kell kombinálni a gyermeki szennyeződéseket egy jelölt megosztásának értékelésekor?
    • Add child scores without considering child sizes
    • Take the largest child impurity only
    • Weight each child by its share of the parent observations
    • Use only the purity of the smallest child
  4. Mit jelent a Gini csökkenés a faépítésben?
    • The probability that a feature is causal
    • The fraction of training labels predicted incorrectly on test data
    • The number of classes in the target
    • Parent impurity minus weighted child impurity
  5. For two equally common classes in a binary node, what is Gini impurity?
    • 0
    • 0.5
    • 0.25
    • 1
  6. Melyik különbségtétel pontos Gini és az entrópia között?
    • Entropy is a distance between predictor vectors
    • Gini evaluates held-out accuracy while entropy builds trees
    • They are different local impurity criteria with different scales
    • Gini is always numerically larger for every split
  7. A deep tree has nearly pure training leaves. What should be checked before concluding it generalizes well?
    • Whether every feature has a positive value
    • Whether every leaf has zero entropy only
    • The alphabetical order of class labels
    • Performance on appropriately held-out data
  8. What does node-local Gini impurity describe?
    • Class mixing among observations in that node
    • The global class balance in every dataset
    • The probability the fitted model is calibrated
    • Feature importance across all possible models